Advertisement

[数据集][VOC][正版]老鼠数据集 3001张

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
本数据集包含3001张与老鼠相关的高质量图像，旨在为学术研究、模型训练等提供正版授权的丰富资源。 数据集格式：Pascal VOC 格式（仅包含 jpg 图片、对应的 xml 文件以及对应 yolo 格式的 txt 文件） 图片数量 (jpg 文件个数) ：3001 标注数量 (xml 文件个数) ：3001 yolo 格式数量 (txt 文件个数) ：3001 标注类别数目：1 标注类别名称：[rat] 每个类别的标注框数量： rat 计数 = 3958 使用工具：labelImg 标注规则：对类别进行画矩形框

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • [数据集][VOC][正版]老鼠数据集 3001张
    优质
    本数据集包含3001张与老鼠相关的高质量图像，旨在为学术研究、模型训练等提供正版授权的丰富资源。 数据集格式：Pascal VOC 格式（仅包含 jpg 图片、对应的 xml 文件以及对应 yolo 格式的 txt 文件） 图片数量 (jpg 文件个数) ：3001 标注数量 (xml 文件个数) ：3001 yolo 格式数量 (txt 文件个数) ：3001 标注类别数目：1 标注类别名称：[rat] 每个类别的标注框数量： rat 计数 = 3958 使用工具：labelImg 标注规则：对类别进行画矩形框
     
  • [数据集][VOC][正版]猪的VOC数据集-2856张
    优质
    这是一个包含2856张图像的正版猪的VOC数据集，适用于物体检测、图像分类等计算机视觉任务的研究与开发。 数据集格式：Pascal VOC（仅包含jpg图片及其对应的xml文件） 图片数量（jpg文件个数）：2856 标注数量（xml文件个数）：2856 标注类别数：1 标注类别名称：pig 每个类别标注的矩形框数目：pig 类别共有 5335 个矩形框。 使用标注工具：labelImg 标注规则：对目标进行矩形标记。
     
  • [数据集][VOC][正版]人员跌倒数据集VOC-8067张
    优质
    本数据集包含8067张图像，专注于检测和识别人员跌倒场景，适用于VOC格式，为研究与开发提供宝贵资源。 数据集格式为Pascal VOC（不含分割的txt文件），仅包含jpg图片及其对应的xml标注文件。总共有10564张图片及相应的10564个标注文件，涉及2个类别：person 和 down。 具体标记数量如下： - person 类别框数总计9031 - down 类别框数总计3087 使用工具为labelImg进行矩形框的绘制。数据集主要关注人员跌倒和不跌倒两类情况，其中down表示跌倒状态，person则代表非跌倒状态。 由于用户反馈不佳，我们更新并优化了该数据集以提高其质量与实用性。请注意：本数据集不对训练模型或权重文件的精度作任何保证，仅提供准确且合理的标注信息。 最后更新时间是2023年2月11日。
     
  • [数据集][VOC][正版]奔跑检测数据集（VOC格式）- 3248张
    优质
    本数据集提供3248张图像，遵循PASCAL VOC标准，专注于奔跑动作识别与分析，适用于计算机视觉领域研究。 数据集采用Pascal VOC格式存储（不含分割的txt文件），仅包含jpg图片及对应的xml文件。 - 图片数量：3248张 - 标注数量：3248个标注文件(xml) - 标注类别数：两类 - 类别名称包括：running 和 nr - 其中，running 表示正在奔跑的场景； - 而 nr 为 not running 的缩写，代表除了奔跑外的所有负样本。 - 每个类别的标注框数量： - “running” 类别有4036个边界框 - “nr”类别有1875个边界框 此数据集使用labelImg工具进行标注。需特别说明的是，该数据集仅提供准确且合理的标签信息，并不对训练模型或权重文件的精度做出任何保证。
     
  • [数据集][VOC][正版]煤气罐检测数据集（VOC格式）- 1832张.zip
    优质
    本数据集包含1832张图片，遵循Pascal VOC标准格式，专为煤气罐检测设计，适用于训练和测试目标检测模型。 数据集格式：Pascal VOC（不含分割的txt文件，仅包含jpg图片及对应的xml） 图片数量（jpg文件个数）：1832 标注数量（xml文件个数）：1832 标注类别数：1 标注类别名称：tank 每个类别的标注框数：tank总计 2288个 使用工具：labelImg 标注规则：对目标对象进行矩形框选 重要说明：本数据集仅提供准确且合理的标注，不保证训练模型或权重文件的精度。
     
  • [数据集][VOC][正版]厨师帽检测数据集共2090张
    优质
    本数据集包含2090张图片，专为厨师帽目标检测设计，适用于各类基于图像的目标识别与定位研究。 数据集格式：Pascal VOC（不含分割的txt文件，仅包含jpg图片及对应的xml） 图片数量（jpg文件个数）：2090 标注数量（xml文件个数）：2090 标注类别数：2 标注类别名称：chef hat、head 每个类别的框数： - chef hat count = 4174 - head count = 1553 使用工具：labelImg 标注规则：对各类别进行矩形标记 重要说明：暂无特别说明
     
  • [数据集][VOC][正版]高品质反光衣反光服数据集VOC-5208张
    优质
    本数据集包含5208张高品质反光衣图像，严格遵循VOC标注标准，适用于目标检测与识别研究，助力算法优化与创新应用。 数据集格式采用Pascal VOC标准（不含分割的txt文件），仅包含jpg图片及对应的xml文件。 - 图片数量：5208张 - 标注数量：5208个标注文件(xml) - 标注类别数：4类 - 标注类别名称： - reflective_person（穿反光衣的人） - reflective（反光衣） - person（未穿反光衣的人） - cloth（非反光衣） 每个类别的标注框数量如下： - reflective_person: 数量 = 7213 - reflective: 数量 = 7188 - person: 数量 = 774 - cloth: 数量 = 656 使用工具：labelImg 标注规则为对各个类别进行矩形框标记。 重要说明： reflective_person表示穿反光衣的人。 reflective代表单独的反光衣。 person指未穿戴任何特殊防护衣物的人类对象。 cloth指的是非反光材质的衣服或其他类型的布料物品。 请注意，本数据集不保证训练模型或权重文件的精度。提供的仅是准确且合理的标注信息。
     
  • 1876张鼠标数据集VOC+YOLO格式
    优质
    本数据集包含超过1876张鼠标的标注图像，采用VOC和YOLO两种格式，适用于物体检测算法的研究与训练。 数据集格式：Pascal VOC格式+YOLO格式（不含分割路径的txt文件，仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件） 图片数量（jpg文件个数）：1876 标注数量（xml文件个数）：1876 标注数量（txt文件个数）：1876 标注类别数：1 标注类别名称：[mouse] 每个类别标注的框数： mouse 框数 = 2261 总框数：2261 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，仅提供准确且合理的标注。
     
  • [数据集][VOC][正版]打架检测数据集含3146张图片
    优质
    本数据集提供3146张图像，专为打架行为识别设计，适用于训练和评估相关算法模型。包含正版授权，确保数据使用合法性。 数据集格式：Pascal VOC（仅包含jpg图片及对应的xml文件） 图片数量（jpg文件个数）：3146 标注数量（xml文件个数）：3146 标注类别数：2 标注类别名称：nofight、fight 每个类别的标注框数： - nofight count = 1288 - fight count = 2170 使用工具：labelImg 特别声明：本数据集不对训练的模型或权重文件精度作任何保证，仅提供准确且合理的标注。 标注规则：如果两人明显存在打架行为并包含肢体接触，则标记为fight；否则应标记为nofight。请注意非打架行为的数据同样需要进行标注以避免误检测。 重要说明：此数据集经过yolov5训练验证，有部分数据加入到训练中。
     
  • [数据集][VOC][正版]道路积水数据集含2759张图片
    优质
    本数据集包含2759张图片，专注于捕捉各种环境下的道路积水场景，适用于开发和训练图像识别模型。 数据集格式：Pascal VOC（不含分割的txt文件，仅包含jpg图片及对应的xml） 图片数量(jpg文件个数)：2759 标注数量(xml文件个数)：2759 标注类别数：1 标注类别名称：water 每个类别的标注框数量：water 的总数 = 2885 使用工具：labelImg 标注规则：对目标进行矩形标记 重要说明： 此数据集用于检测道路上的积水情况。 特别声明： 本数据集不对训练模型或权重文件的精度做出任何保证，仅提供准确且合理的标注。